如此不同却又如此相似！受限无监督文本风格转移

ACLMay, 2022

如此不同却又如此相似！受限无监督文本风格转移

So Different Yet So Alike! Constrained Unsupervised Text Style Transfer

Abhinav Ramesh Kashyap, Devamanyu Hazarika, Min-Yen Kan, Roger Zimmermann, Soujanya Poria

TL;DR提出了一种采用互补损失的生成对抗网络的学习方法，实现带有约束的无监督文本风格转换，通过在潜在空间中进一步规范化，将不同领域中的相似句子加以规约和联系，以保留源和翻译文本之间的词汇、语法和领域特定约束，进而改善了文本转换的质量和数据扩充等应用。

Abstract

Automatic transfer of text between domains has become popular in recent times. One of its aims is to preserve the semantic content of text being translated from source to target domain. However, it does not explicitly maintain other attributes between the source and translated text, for e.g., text length and descriptiveness. Maintaining constraints in transf

text transfer unsupervised learning generative adversarial network loss functions data augmentation

发现论文，激发创造

基于对比学习的梯度导向无监督文本风格转换

本文提出了一种基于对比学习范式的新型文本风格转换模型，通过明确收集相似语义句子和设计基于孪生模型的风格分类器，以解决文本样式转换中的内容迁移和样式歧义等问题。针对这些问题，实验结果表明，该模型比现有技术更加有效。

Jan, 2022

XGAN: 无监督的多对多图像翻译

本文提出了一种名为 XGAN 的双对抗自编码器，可以无监督地捕捉共同的领域语义内容，同时在两个方向上学习域与域之间的图像转换，并通过语义一致性损失函数来实现语义保留，并以公开数据集 CartoonSet 为基准来证明该方法的有效性。

Nov, 2017

多属性文本风格转换

本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

Nov, 2018

无监督文本风格转移的概率公式

本文提出了一种深度生成模型，用于无监督的文本风格转换，并且统一了先前提出的非生成技术。利用概率方法将两个领域的非平行数据建模为部分观察到的平行语料库，通过假设生成每个观察序列的平行潜在序列，该模型学会了完全无监督的将序列从一个领域转换到另一个领域。

Feb, 2020

深层生成模型进行无监督文本风格转换

我们提出了一个用深度生成模型进行无监督文本风格转换的通用框架，该框架利用观察数据中的依赖关系学习内容和风格的潜在代码，并通过操纵这些代码来转换句子。实验结果表明，与几个强基准方法相比，我们的方法在自动评估和人工评估中取得了更好或具有竞争力的结果。

Aug, 2023

领域自适应文本风格转化

本文提出一种域自适应文本风格转移模型，能够处理非平行数据和域偏移问题，并在形式和情感风格的转换任务上取得良好的效果。

Aug, 2019

领域特定的生成对抗风格迁移映射

本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

Aug, 2020

不平衡数据上的多对文本风格转换

本文介绍了一种基于元学习框架的任务自适应多对文本样式转换方法，能够同时处理不同任务之间的元知识差异，并成功解决非平衡数据和不匹配领域等普遍挑战。

Jun, 2021

无监督文本风格转移中的结构内容保持

本文提出了一种基于结构化细粒度监督的内容保留模型，利用语言信息并设定模型目标以达到在改变句子的风格的同时更好地保留与风格无关的内容，进行情感和政治倾向转换任务的实验表明该模型在内容保留和风格转换上表现出显著改善。

Oct, 2018

在连续空间中的修订：无需对抗性学习的无监督文本风格转换

本文提出了一个新的文本风格迁移框架，它利用渐变来在推断期间在连续空间中修订句子以实现文本风格迁移。通过使用变分自编码器、属性预测器和内容预测器，我们可以在连续空间中进行基于渐变的优化，找到具有所需属性和保留内容的目标句子的表示。与以前基于对抗学习的方法相比，所提出的方法更易于解释、控制和训练，并且在三个流行的文本风格转移任务上表现显著优于五种最先进的方法。

May, 2019